pandas行和列的獲取的實現(xiàn)
更新時間：2023年01月17日 09:32:20 作者：羊羊豬
本文主要介紹了pandas行和列的獲取的實現(xiàn)，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧
DataFrame的行和列：df[‘行’, ‘列’]
DataFrame行和列的獲取分三個維度
- 行和列選?。篸f[]，一次只能選取行或列
- 區(qū)域選?。篸f.loc[], df.iloc[], df.ix[]，可以同時為行或列設置篩選條件
- 單元格選?。篸f.at[], df.iat[]，準確選取某個單元格
先隨機生成一個dataframe
import numpy as np
import pandas as pd
df = pd.DataFrame(np.random.randn(10,5), index=list('abcdefghij'), columns=list('ABCDE'))
# Output
?? ? ? A?? ? ? ? ? ?B?? ? ? ? ? C?? ? ? ? ? ?D?? ? ? ? ? ?E
a?? ?0.299206?? ?-0.383297?? ?-0.931467?? ?-0.591609?? ?-1.131105
b?? ?0.074351?? ?0.791849?? ?1.637467?? ?-1.408712?? ?-1.376527
c?? ?-0.359802?? ?-2.049489?? ?-0.615742?? ?-1.953994?? ?0.685243
d?? ?0.232557?? ?1.768284?? ?-0.447015?? ?2.373358?? ?1.220536
e?? ?-0.997380?? ?-0.447236?? ?0.632368?? ?-0.352590?? ?-0.064736
f?? ?-1.220178?? ?-0.314304?? ?1.202184?? ?0.018326?? ?1.072153
g?? ?-1.508916?? ?0.380466?? ?0.359506?? ?-0.742657?? ?-0.373764
h?? ?1.031420?? ?-3.236676?? ?0.444769?? ?1.396802?? ?-0.405590
i?? ?0.166133?? ?-0.051614?? ?-0.146943?? ?0.609431?? ?-0.351814
j?? ?1.857521?? ?-0.159101?? ?0.899745?? ?1.108722?? ?-0.6153791. 行和列的獲取
1.1 根據(jù)索引獲取行
獲取前3行數(shù)據(jù)
df[:3]
# Output
A B C D E
a 0.299206 -0.383297 -0.931467 -0.591609 -1.131105
b 0.074351 0.791849 1.637467 -1.408712 -1.376527
c -0.359802 -2.049489 -0.615742 -1.953994 0.685243
獲取第2到3行數(shù)據(jù)
df[1:3] # 前閉后開
df['b':'c'] # # 前閉后閉
# Output
A B C D E
b 0.074351 0.791849 1.637467 -1.408712 -1.376527
c -0.359802 -2.049489 -0.615742 -1.953994 0.685243
獲取特定行數(shù)據(jù)
# 布爾數(shù)組 (數(shù)組長度需等于行數(shù))
df[[True,False,True,False,False,False, True, True, False, True]]
# Output
A B C D E
a 0.299206 -0.383297 -0.931467 -0.591609 -1.131105
c -0.359802 -2.049489 -0.615742 -1.953994 0.685243
g -1.508916 0.380466 0.359506 -0.742657 -0.373764
h 1.031420 -3.236676 0.444769 1.396802 -0.405590
j 1.857521 -0.159101 0.899745 1.108722 -0.615379
1.2 根據(jù)條件獲取行
獲取A列大于0的行
df[df.A > 0]
# Output
A B C D E
a 0.299206 -0.383297 -0.931467 -0.591609 -1.131105
b 0.074351 0.791849 1.637467 -1.408712 -1.376527
d 0.232557 1.768284 -0.447015 2.373358 1.220536
h 1.031420 -3.236676 0.444769 1.396802 -0.405590
i 0.166133 -0.051614 -0.146943 0.609431 -0.351814
j 1.857521 -0.159101 0.899745 1.108722 -0.615379
獲取A列和B列大于0的行
df[(df.A > 0) & (df.B > 0)]
# Output
A B C D E
b 0.074351 0.791849 1.637467 -1.408712 -1.376527
d 0.232557 1.768284 -0.447015 2.373358 1.220536
獲取A列或列大于0的行
df[(df.A > 0) | (df.B > 0)]
# Output
A B C D E
a 0.299206 -0.383297 -0.931467 -0.591609 -1.131105
b 0.074351 0.791849 1.637467 -1.408712 -1.376527
d 0.232557 1.768284 -0.447015 2.373358 1.220536
g -1.508916 0.380466 0.359506 -0.742657 -0.373764
h 1.031420 -3.236676 0.444769 1.396802 -0.405590
i 0.166133 -0.051614 -0.146943 0.609431 -0.351814
j 1.857521 -0.159101 0.899745 1.108722 -0.615379
1.3 獲取列
# 獲取A列 df['A'] # 輸出為Series類型 df[['A']] # 輸出為DataFrame類型 # 獲取A列和B列 df[['A', 'B']] df[df.columns[0:2]]
2. 區(qū)域選取
- df.loc[] 只能使用標簽索引，不能使用整數(shù)索引，通過便簽索引切邊進行篩選時，前閉后閉。
- df.iloc[] 只能使用整數(shù)索引，不能使用標簽索引，通過整數(shù)索引切邊進行篩選時，前閉后開。
- df.ix[]既可以使用標簽索引，也可以使用整數(shù)索引。
2.1 df.loc[]
2.1.1 行選取
獲取a行
# 輸出為Series類型 df.loc['a'] df.loc['a', :] # Output A ? ?0.299206 B ? -0.383297 C ? -0.931467 D ? -0.591609 E ? -1.131105 Name: a, dtype: float64 # 輸出為DataFrame類型 df.loc[['a']] df.loc[['a'], :] # Output ?? ? ? A?? ? ? ? ? ?B?? ? ? ? ? C?? ? ? ? ? ?D?? ? ? ? ? ?E a?? ?0.299206?? ?-0.383297?? ?-0.931467?? ?-0.591609?? ?-1.131105
獲取a, b, d行
# 使用標簽索引
df.loc[['a', 'b', 'd']]
df.loc[['a', 'b', 'd'], :]
# 使用布爾數(shù)組
df[[True, True, False, True, False, False, False, True, False, True]]
# Output
A B C D E
a 0.299206 -0.383297 -0.931467 -0.591609 -1.131105
b 0.074351 0.791849 1.637467 -1.408712 -1.376527
d 0.232557 1.768284 -0.447015 2.373358 1.220536
獲取a到d行
df.loc['a':'d', :]
# Output
A B C D E
a 0.299206 -0.383297 -0.931467 -0.591609 -1.131105
b 0.074351 0.791849 1.637467 -1.408712 -1.376527
c -0.359802 -2.049489 -0.615742 -1.953994 0.685243
d 0.232557 1.768284 -0.447015 2.373358 1.220536
選取A列大于0的行
df.loc[df.A > 0]
df.loc[df.A > 0, :]
# Output
A B C D E
a 0.299206 -0.383297 -0.931467 -0.591609 -1.131105
b 0.074351 0.791849 1.637467 -1.408712 -1.376527
d 0.232557 1.768284 -0.447015 2.373358 1.220536
h 1.031420 -3.236676 0.444769 1.396802 -0.405590
i 0.166133 -0.051614 -0.146943 0.609431 -0.351814
j 1.857521 -0.159101 0.899745 1.108722 -0.615379
2.1.2 列選取
# 選取A列 df.loc[:, 'A'] # 選取A列和C列 df.loc[:, ['A', 'C']] # 選取A列到C列 df.loc[:, 'A':'C']
2.1.3 同時選取行和列
# 選取c行B列的值 df.loc['c', 'B'] # 選取A列和B列同時大于0的C列和D列 df.loc[((df.A > 0) & (df.B > 0)), ['C', 'D']]
2.1.4 行和列的賦值
# 令a行為10 df.loc['a', :] = 10 # 令B列為50 df.loc[:, 'B'] = 50 # 令b, c行的C到F列為30 df.loc[['b', 'c'], 'C':'F'] = 30 # 令C列小于0的行賦值為0 df.loc[df.C < 0] = 0
2.1.5 多重索引
Example
tuples = [
? ?('cobra', 'mark i'), ('cobra', 'mark ii'),
? ?('sidewinder', 'mark i'), ('sidewinder', 'mark ii'),
? ?('viper', 'mark ii'), ('viper', 'mark iii')
]
index = pd.MultiIndex.from_tuples(tuples)
values = [[12, 2], [0, 4], [10, 20],
? ? ? ? [1, 4], [7, 1], [16, 36]]
df = pd.DataFrame(values, columns=['max_speed', 'shield'], index=index)
# Output
df
? ? ? ? ? ? ? ? ? ? ?max_speed ?shield
cobra ? ? ?mark i ? ? ? ? ? 12 ? ? ? 2
? ? ? ? ? ?mark ii ? ? ? ? ? 0 ? ? ? 4
sidewinder mark i ? ? ? ? ? 10 ? ? ?20
? ? ? ? ? ?mark ii ? ? ? ? ? 1 ? ? ? 4
viper ? ? ?mark ii ? ? ? ? ? 7 ? ? ? 1
? ? ? ? ? ?mark iii ? ? ? ? 16 ? ? ?36df.loc['cobra']
max_speed shield
mark i 12 2
mark ii 0 4
# return a Series
df.loc[('cobra', 'mark ii')]?
max_speed ? ?0
shield ? ? ? 4
Name: (cobra, mark ii), dtype: int64
# return a dataframe
df.loc[[('cobra', 'mark ii')]]
? ? ? ? ? ? ? ?max_speed ?shield
cobra mark ii ? ? ? ? ?0 ? ? ? 4# return a Series df.loc['cobra', 'mark i'] max_speed 12 shield 2 Name: (cobra, mark i), dtype: int64
df.loc[('cobra', 'mark i'), 'shield']
df.loc[('cobra', 'mark i'):'viper']
? ? ? ? ? ? ? ? ? ? ?max_speed ?shield
cobra ? ? ?mark i ? ? ? ? ? 12 ? ? ? 2
? ? ? ? ? ?mark ii ? ? ? ? ? 0 ? ? ? 4
sidewinder mark i ? ? ? ? ? 10 ? ? ?20
? ? ? ? ? ?mark ii ? ? ? ? ? 1 ? ? ? 4
viper ? ? ?mark ii ? ? ? ? ? 7 ? ? ? 1
? ? ? ? ? ?mark iii ? ? ? ? 16 ? ? ?36
df.loc[('cobra', 'mark i'):('viper', 'mark ii')]
? ? ? ? ? ? ? ? ? ? max_speed ?shield
cobra ? ? ?mark i ? ? ? ? ?12 ? ? ? 2
? ? ? ? ? ?mark ii ? ? ? ? ?0 ? ? ? 4
sidewinder mark i ? ? ? ? ?10 ? ? ?20
? ? ? ? ? ?mark ii ? ? ? ? ?1 ? ? ? 4
viper ? ? ?mark ii ? ? ? ? ?7 ? ? ? 12.2 df.iloc[ ]
2.2.1 行選取
選取第二行
# return a Series df.iloc[1] df.iloc[1, :] # return a dataframe df.iloc[[1]] df.iloc[[1], :]
選取前三行
df.iloc[:3, :] df.iloc[:3]
選取第一、三、五行
df.iloc[[1, 3, 5]] df.iloc[[1, 3, 5], :]
2.2.2 列選取
選取第二列
df.iloc[:, 1]
選取前三列
df.iloc[:, 0:3] df.iloc[:,:3]
選取第一三四列
df.iloc[:, [0, 2, 3]]
2.2.3 同時選取行和列
選取第一行第二列的值
df.iloc[0, 1]
選取第二三行的第二到四列
df.iloc[[1,2], 1:4]
2.3 df.ix[ ]
可以混合標簽索引和整數(shù)索引
However, when an axis is integer based, ONLY label based access and not positional access is supported. Thus, in such cases, it’s usually better to be explicit and use .iloc or .loc.
3. 單元格選取
- df.at[ ] 只能使用標簽索引
- df.iat[ ] 只能使用整數(shù)索引
3.1 df.at[]
獲取c行C列的值
df.at['c', 'C']
把c行C列賦值為10
df.at['c', 'C'] = 10
3.2 df.iat[]
獲取第三行第三列的值
df.iat[2, 2]
把第三行第三列賦值為10
df.iat[2, 2] = 10
到此這篇關于pandas行和列的獲取的實現(xiàn)的文章就介紹到這了,更多相關pandas行列獲取內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！
相關文章
這篇文章主要介紹了Python類super()及私有屬性原理解析,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2020-06-06
RxPy是非常流行的響應式框架Reactive X的Python版本，其實這些版本都是一樣的，只不過是各個語言的實現(xiàn)不同而已。因此，如果學會了其中一種，那么使用其他的響應式版本也是輕而易舉的2021-06-06
按位運算是計算機學習中的基礎,Python完全支持位運算符從而幾乎可以直接顯示出位運算的結果,這里我們稍微總結一下基礎的十進制按位運算總結與在Python中的計算示例2016-06-06
python3利用smtplib通過qq郵箱發(fā)送郵件方法示例
python實現(xiàn)郵件發(fā)送較為簡單，主要用到smtplib這個模塊，所以下面這篇文章主要給大家介紹了關于python3利用smtplib通過qq郵箱發(fā)送郵件的相關資料，文中通過示例代碼介紹的非常詳細，需要的朋友可以參考借鑒，下面隨著小編來一起看看吧。2017-12-12
Python可以從圖像或視頻中檢測和識別你的臉，人臉檢測與識別也是計算機視覺領域的研究熱點之一。本文主要為大家介紹通過Python實現(xiàn)人臉識別之微信檢測，需要的同學可以參考一下2021-12-12
這篇文章主要介紹了Python多線程下的list的相關資料，文中示例代碼非常詳細，幫助大家更好的理解和學習，感興趣的朋友可以了解下2020-07-07
本篇提供了pygame播放視頻的兩個方案，第一個方案是網(wǎng)上找的現(xiàn)成的，第二個方案則是參考了opencv（主流方案）自己逆向思維做的，還未經(jīng)過實際驗證，感興趣的朋友跟隨小編一起看看吧2023-11-11
Python通過TensorFLow進行線性模型訓練原理與實現(xiàn)方法詳解
這篇文章主要介紹了Python通過TensorFLow進行線性模型訓練原理與實現(xiàn)方法,結合實例形式詳細分析了Python通過TensorFLow進行線性模型訓練相關概念、算法設計與訓練操作技巧,需要的朋友可以參考下2020-01-01
關于屏幕錄制這個功能需求,之前用過基于ffmpeg的Capture錄屏軟件,但是fps拉高以后會變得很卡,聲音也同樣出現(xiàn)卡頓,所以本文給大家介紹了用Python進行屏幕錄制的實現(xiàn),感興趣的朋友可以參考下2024-04-04
Python實現(xiàn)將doc轉化pdf格式文檔的方法
這篇文章主要介紹了Python實現(xiàn)將doc轉化pdf格式文檔的方法,結合實例形式分析了Python實現(xiàn)doc格式文件讀取及轉換pdf格式文件的操作技巧,以及php調(diào)用py文件的具體實現(xiàn)方法,需要的朋友可以參考下2018-01-01